ارائه یک رویکرد مبتنی بر نمایش ویژگی‌های متنی برای تحلیل احساس متن فارسی

با رشد گسترده شبکه‌‌های اجتماعی و سیستم‌‌های پرسش ‌و پاسخ انجمنی، کاربران قادرند به راحتی نظرات و عقاید خود را در مورد اخبار، محصولات و رویداد‌های اجتماعی بیان کنند. در سال‌‌های اخیر، میزان داده‌های غیر‌ساخت‌یافته نظیر متن بسیار افزایش یافته و نیاز به ابزار‌های خودکار برای پردازش آن‌ها بیش از پیش حس می‌شود. تشخیص احساس متن به فرآیند درک و طبقه‌بندی حالت عاطفی نویسنده از روی متن نوشته شده نظیر نظرات داده شده در فروشگاه‌های اینترنتی و شبکه‌‌های اجتماعی اشاره دارد و در تحلیل بازار و ارزیابی کیفیت خدمات نقش اساسی ایفا می‌‌کند. در این پژوهش، حدود 12 هزار جمله فارسی که شامل نظرات کاربران در مورد محصولات دیجیتال است مورد بررسی قرار می‌گیرد. برای این منظور، با تولید بردار‌های نمایش کلمات و اطلاعات نحوی آن‌‌ها با استفاده از تکنیک skip-gram و فراهم کردن شکل‌‌های متفاوتی از نمایش ویژگی‌‌ها، اطلاعات کامل‌تری به معماری پیشنهادی که بر اساس شبکه‌‌های عصبی کانولوشنی است تزریق می‌‌شود. با استفاده از این رویکرد، ویژگی‌‌های عملکردی کلمات بهتر ثبت می‌‌شود. ارزیابی‌های انجام شده نشان می‌دهند نتایج مدل پیشنهادی بر اساس معیار F1 بر روی پیکره استاندارد به ترتیب برای حالت‌های دو کلاسه و چند کلاسه 92.13 و 70.51 است که حاکی از کارایی بالاتر رویکرد پیشنهادی در مقایسه با مدل‌های سنتی یادگیری ماشین و مدل‌های بروز در تعیین احساس متن فارسی می‌باشد.